CN109572550A - 一种行车轨迹预测方法、系统、计算机设备及存储介质 - Google Patents
一种行车轨迹预测方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109572550A CN109572550A CN201811624930.9A CN201811624930A CN109572550A CN 109572550 A CN109572550 A CN 109572550A CN 201811624930 A CN201811624930 A CN 201811624930A CN 109572550 A CN109572550 A CN 109572550A
- Authority
- CN
- China
- Prior art keywords
- driver
- vehicle
- driving
- data
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及行车管理领域,尤其涉及一种行车轨迹预测方法、系统、计算机设备及存储介质,该方法包括:获取驾驶员眼动数据及车辆行驶数据;通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据;通过行车策略预测模型对驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据;通过行车轨迹预测模型对当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息。本发明通过采集驾驶员的眼动数据,并通过随机森林模型对所述眼动数据进行识别,识别准确率高;能够通过行车策略预测驾驶员在不同状态下的行车轨迹,轨迹预测更加准确。
Description
技术领域
本发明涉及行车管理领域,尤其涉及一种行车轨迹预测方法、系统、计算机设备及存储介质。
背景技术
驾驶中走神是一种非常普遍的现象,研究发现驾驶走神(认知分心)会显著影响驾驶人的反应时间,导致出现紧急情况时,驾驶人来不及做出反应,从而导致事故的发生,因此有必要对驾驶中认知分心行为进行识别。
现有的认知分心防治方法主要是利用机器学习建立一个驾驶员状态分类器对驾驶员当前状态进行判别。当检测驾驶员出现认知分心状态时,即对驾驶员采取语音警示,以帮助驾驶员恢复专注状态。但是驾驶员驾驶过程中出现认知分心状态并不一定导致交通事故的发生,或者,有时候驾驶员的分心是因为当前路况较好、风险较低而考虑与驾驶无关的事情,此时频繁预警反而会影响驾驶人。现有的技术还是会出现误判的情况,在误判时对驾驶员进行提醒,会影响驾驶员的驾驶心情。
由此可见,现有技术在防治驾驶员在认知分心状态下驾车时,还存在较多的问题,需要改进。
发明内容
基于此,有必要针对上述的问题,提供一种行车轨迹预测方法、系统、计算机设备及存储介质。
在其中一个实施例中,本发明提供了一种行车轨迹预测方法,所述方法包括如下步骤:
获取驾驶员眼动数据及车辆行驶数据,所述车辆行驶数据至少包括车辆当前状态数据;
通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据;
通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据;
通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息。
在其中一个实施例中,本发明提供了一种行车轨迹预测系统,所述系统包括:
驾驶员眼动数据采集装置,所述驾驶员眼动数据采集装置用于采集车辆行驶时的驾驶员眼动数据,并将所述驾驶员眼动数据发送至控制器;
车辆行驶数据采集装置,所述车辆行驶数据采集装置用于采集车辆的行驶数据,并将所述车辆的行驶数据发送至所述控制器;
所述控制器,所述控制器用于接收所述驾驶员眼动数据和所述车辆的行驶数据,并对所述驾驶员眼动数据和所述车辆行驶数据进行分析,预测车辆的行驶轨迹。
在其中一个实施例中,本发明还提供一种计算机设备,包括:存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述实施例所述一种行车轨迹预测方法。
在其中一个实施例中,本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述实施例所述一种行车轨迹预测方法。
本发明实施例中的行车轨迹预测方法、装置、计算机设备和存储介质,采用随机森林方法实现驾驶员状态识别模型的训练,识别准确率高,泛化能力强;利用最大熵逆强化学习分别求解驾驶员在不同状态下的行车策略;通过行车策略预测驾驶员在不同状态下的行车轨迹,对形成轨迹的预测更加准确,通过采集驾驶员的眼动数据训练随机森林模型识别驾驶员是否处于认知分心状态,所得驾驶员状态识别模型识别准确率高,鲁棒性强,外部光照变化、车辆振动对识别准确率影响小。
附图说明
图1为一个实施例中提供的行车轨迹预测方法的应用环境图;
图2为一个实施例中提供的行车轨迹预测方法的步骤图;
图3为一个实施例中提供的一种行车轨迹预测系统结构示意图;
图4为一个实施例中提供的一种计算机设备内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx单元称为第二xx单元,且类似地,可将第二xx单元称为第一xx单元。
图1为一个实施例中提供的数据处理方法的应用环境图,如图1所示,在该应用环境中,包括驾驶员眼动数据采集装置110、车辆行驶数据采集装置120、以及控制器130。
驾驶员眼动数据采集装置110可以眼动仪,也可以是其他用来采集用户眼动数据的装置或者仪器。
车辆行车数据采集装置120用于采集车辆行驶过程中的各种数据,如车速、加速度、车辆的行驶方向的数据,所述车辆行车数据采集装置120包括但不限于速度传感器、加速度传感器、以及方向传感器,当然,所述车辆行车数据采集装置可以直接通过读取车辆中控中的车辆行驶数据。
控制器130即为车辆的中央控制器,可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN(ContentDelivery Network,内容分发网络)等基础云计算服务的云服务器。
图2示出了适于本发明实施例的一种车辆行驶轨迹预测方法的步骤图,下面以控制器130为主体,对所述方法做详细说明。
在步骤S201中,获取驾驶员眼动数据及车辆行驶数据,所述车辆行驶数据至少包括车辆当前状态数据。
在本发明实施例中,驾驶员眼动数据是指驾驶员在驾驶车辆时驾驶员的眼球转动数据,至少应该包含驾驶员眼球转动的角度、转动的速度或者驾驶员眼球注视的时间和注视的方向等数据;车辆行驶数据是指车辆在行驶过程中,涉及到车辆行驶及车辆状态的所有数据,而在本发明实施例中,至少应该包含车辆当前状态数据,其中,所述车辆当前状态数据是指在采集所述驾驶员眼动数据时的车辆的行驶数据,包括但不限于车辆的车速、加速度、以及车辆的行驶方向。
本发明实施例通过获取驾驶员在驾车时的眼动数据以及所述眼动数据对应时刻车辆的行驶数据,包括但不限于车辆的车速、加速度、以及行驶方向,驾驶员眼动数据与车辆行驶数据的时刻相对应,确保后续轨迹预测的准确性及实时性。
在步骤S202中,通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据。
在本发明实施例中,用于识别驾驶员驾驶状态的随机森林模型是一种集成学习方法,采用数据集进行离线学习得到,其中,所述数据集为所述驾驶员的历史驾车时的眼动数据,所述随机森林模型通过对所述驾驶员的历史驾车时的眼动数据进行不断的学习,不断的识别所述驾驶员的历史眼动数据对应的历史驾车状态,最终可以根据所述驾驶员的当前驾车眼动数据识别出所述驾驶员的当前驾车状态。其中,所述驾驶员并不要求是同一个驾驶员,即随机森林模型具有根据不同驾驶员的驾驶眼动数据识别不同驾驶员的驾车状态的能力。所述驾驶员的当前驾车状态数据是指驾驶员的当前驾车状态,包括但不限于专注驾驶状态和认知分心驾驶状态。
作为本发明一种实施例,获取到所述驾驶员眼动数据后,将所述驾驶员眼动输入至所述驾驶员状态识别模型中,作为本发明一种优选的实施例,所述驾驶员状态识别模型存储在所述车辆的中央控制器中,所述驾驶员眼动数据获取装置为安装在所述车辆上的眼动仪,即眼动仪采集到驾驶员眼动数据后,将所述眼动数据输入至车辆的中央控制器中,车辆的中央控制器通过运行所述驾驶员状态识别模型对所述驾驶员的驾车状态进行识别,得到所述驾驶员的当前驾车数据。作为本发明一种优选实施例,当所述中央控制器识别出所述驾驶员的驾车状态后,可以根据需求选择输出或者不输出所述驾驶员的当前驾车状态,如出租车上,乘客乘坐后排时,就可以根据中央控制器的提示知道驾驶员的驾驶状态,确保自身安全。
本发明实施例通过驾驶员状态识别模型对所述驾驶员眼动数据进行识别,得到所述驾驶员的当前驾车状态,驾驶员状态识别模型采用随机森林模型,确保对驾驶员状态识别的准确性。
在步骤S203中,通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据。
在本发明实施例中,所述行车策略预测模型是指能够根据驾驶员的驾车状态和车辆的当前行驶状态预测出驾驶员未来对车辆的驾驶动作的模型,是通过对驾驶员的历史驾车轨迹进行学习得到的。
作为本发明一种实施例,控制器内存储有驾驶员专注驾驶及认知分心状态下行车轨迹数据离线训练驾驶员行车策略模型,所述驾驶员行车策略模型能够根据驾驶员的驾车状态对驾驶员的驾车策略进行预测。作为本发明一个优选的实施例,当控制器检测到驾驶员眼动数据中对应的驾驶员的驾车状态为专注驾驶状态时,调用驾驶员专注驾驶状态下的行车策略预测模型,对驾驶员的行车策略进行预测;当检测到驾驶员眼动数据中的驾驶员驾车状态为认知分心驾驶时,调用认知分心状态下的驾驶员行车策略预测模型对驾驶员的行车策略进行预测,得到驾驶员的行车策略。
本发明实施例通过将驾驶员的两种驾车状态分开识别,不同的驾车状态采用不同的行车策略预测模型,能够准确的预测驾驶员在不同状态在的行车策略,保证行车策略预测的准确性。
在步骤S204中,通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息。
在本发明实施例中,行车轨迹预测模型是指能够根据车辆的当前行驶状态以及驾驶员的行车策略模型预测出车辆未来行驶轨迹的模型,本发明采用的是迭代模型,即通过车辆的上一状态与上一状态下驾驶员的行车策略预测车辆的下一状态。行车轨迹信息至少包含车辆的行驶轨迹、车速、行驶方向等数据。
作为本发明的一种实施例,控制器内部集成的驾驶员状态识别模型根据所述眼动仪实时采集的眼动数据判断驾驶员当前的状态,所述车载工控机内部集成的行车轨迹预测模型根据驾驶员当前状态调用所述控制器中存储的驾驶员行车策略模型,即当驾驶员状态识别模型识别出驾驶员当前处于认知分心状态,随即调用控制器中存储的驾驶员认知分心状态下的行车策略模型。所述驾驶数据采集系统实时采集当前车辆的状态,所述行车轨迹预测模型则根据当前车辆状态、当前行车策略模型,迭代计算出驾驶员当前状态下某个时间段的行车轨迹。
本发明实施例通过行车轨迹预测模型,结合根据驾驶员的驾车状态得到的驾驶员行车策略与车辆的当前行驶状态,与车车辆的行驶轨迹,大大提高了车辆行车轨迹预测的准确性,通过眼动仪采集的驾驶员眼动数据训练随机森林模型识别驾驶员是否处于认知分心状态,所得驾驶员状态识别模型识别准确率高,鲁棒性强,外部光照变化、车辆振动对识别准确率影响小。
本发明实施例提供的一种形成轨迹预测方法中,还包括:
所述通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据之前,包括:
获取驾驶员处于专注驾驶状态和认知分心驾驶状态的历史眼动数据,构成第一数据集;
利用所述第一数据集对用于识别驾驶员驾驶状态模型进行训练,得到所述随机森林模型。
在本发明实施例中,采用Dikabli Glasses3.0眼动仪采集驾驶员专注驾驶及认知分心状态下的眼动数据,驾驶员认知分心状态通过认知分心次任务进行激发,比如令驾驶员在驾驶中回答十位数加减法运算题、记忆电话号码等。采集眼动数据持续总时间应大于100min,眼动数据相应的驾驶员状态类别应均衡。通过眼动仪自带的D-Lab数据分析处理软件将采集的眼动原始数据进行处理,得到处理后的眼动数据。经过处理后的眼动数据包括驾驶员注视行为的标记及持续时间,扫视行为的标记及持续时间,扫视轨迹的夹角,视点位置。
作为本发明一种实施例,采用滑动时间窗口处理所述控制器中存储的驾驶员历史眼动数据,选用3s时间窗口,窗口之间的重叠时间为2s。在每个时间窗口内,计算如下特征:注视持续时间中位数、注视频次、扫视持续时间中位数、扫视频次、眨眼持续时间、眨眼频次、视点位置均值、视点位置标准差,在Python环境下调用Scikit-Learn机器学习库来建立随机森林模型,将计算的所有特征传入随机森林模型,进一步通过网格搜索确定最佳模型参数。所述网格搜索是穷举多种随机森林模型的参数组合,根据模型性能优劣来决定模型参数选择的一种方法。确定最佳模型参数后,得到最终的驾驶员状态识别模型,该模型可通过所述眼动仪实时采集的驾驶员眼动数据判别驾驶员当前状态。
本发明实施例通过眼动仪采集驾驶员的历史眼动数据形成数据集,并对随机森林模型进行训练,得到能够准确识别驾驶员驾驶状态的随机森林模型,通过眼动仪采集的驾驶员眼动数据训练随机森林模型识别驾驶员是否处于认知分心状态,所得驾驶员状态识别模型识别准确率高,鲁棒性强,外部光照变化、车辆振动对识别准确率影响小。
在本发明实施例提供的一种行车轨迹预测方法中,还包括:
所述通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据之前,包括:
获取驾驶员驾驶车辆的历史行车数据;所述历史行车数据至少包含所述驾驶员的历史驾车状态数据以及与所述历史驾车状态相对应的车辆历史行车轨迹数据;
采用马尔可夫决策过程模拟驾驶员驾车过程;其中,马尔可夫决策过程中的五个元素分别为:车辆所处状态、驾驶员驾车动作、奖励函数、车辆运动动态方程、以及折扣因子;通过所述车辆历史行车轨迹数据确定所述马尔可夫决策过程的五个元素,并将所述车辆所处状态与所述驾驶员驾车动作一一对应,形成驾驶员的驾车策略分布模型;
利用最大熵逆强化学习算法将所述驾驶员的历史驾车状态与所述驾车策略分布模型中的车辆状态和驾驶员驾车动作一一对应,以形成所述行车策略预测模型。
在本发明实施例中,行车策略模型是通过预先设定的数据训练得到的,预先设定的数据即为所述车辆的历史行车数据,其中所述车辆的历史行车数据中至少应该包含车辆行驶的速度、加速度、行驶方向等当前车辆的行驶状态,马尔可夫决策过程是基于马尔可夫过程理论的随机动态系统的最优决策过程,其是一个五元组,将马尔可夫决策过程应用到本发明的车辆驾驶中,则车辆所处状态、驾驶员驾车动作、驾驶员驾车动作、车辆状态改变方程、以及折扣因子与马尔科夫决策过程中的五个元素一一对应,然后通过所述车辆的历史行车数据,确定上述5个元素,以及驾驶员的行车策略分布,其中,所述驾驶员的行车策略分布应该至少包含车辆处于任一行车状态时,驾驶员对车辆进行各种操作的概率,然后利用最大熵逆强化学习算法根据驾驶员的驾驶状态求解驾驶员对车辆进行各种操作的概率,最大熵逆强化学习算法主要解决强化学习中奖励不明确的问题,通过该算法可对驾驶员的行车策略进行求解,形成所述驾驶员行车策略预测模型。
作为本发明一种实施例,强化学习一般采用马尔可夫决策过程进行描述,马尔可夫决策过程可通过一个五元组进行描述,即{状态空间、动作空间、驾驶员驾车动作、动态方程、折扣因子}。对于驾驶任务,可以确定状态及动作空间、车辆运动动态方程及折扣因子,但驾驶员驾车动作一般并不明确,逆强化学习方法可通过驾驶员的演示即历史行车轨迹学习出驾驶员驾车动作,同时求解出驾驶员的策略分布。作为本发明一种优选实施例,驾驶过程中车辆处于某个状态s时具有一些特征,即F(s)={f1(s),f2(s),…,fi(s)},其中fi(s)为某个特征分量,该特征可以是当前车速、加速度、车道位置等参数。当前状态下的驾驶员驾车动作可定义为各特征分量的线性组合,即其中θi为特征的权重系数。最大熵逆强化学习的目标是求解θi,进而得到驾驶员的驾车动作。
由于人的行为具有随机性,其行为可通过概率分布进行表示。驾驶员驾驶过程中某条行车轨迹τi出现的概率记为p(τi)。通过最大熵原理对随机事件概率进行估计,保证事件概率估计在满足已知条件下的无偏性,最终可得:通过极大似然估计方法,最大化驾驶员采集轨迹数据的似然概率以求解θi。建立目标函数:m为行车轨迹的数量。对目标函数中θ求偏导,可得其梯度通过梯度下降最终可以得到θ的最优值。
作为本发明一种实施例,认为驾驶员在专注驾驶和认知分心状态下的行车策略分布有所不同,因此分别求出驾驶员专注驾驶及认知分心状态下的行车策略分布。以下介绍利用驾驶员认知分心状态下的轨迹数据τD1={s1,a1,s2,a2,…,st,at}训练求解驾驶员认知分心状态下的行车策略分布步骤,其中st为t时刻采集的车辆行驶状态信息,如车辆速度、车道位置等,at为t时刻采集的驾驶员操控信息,如方向盘转角、油门踏板位置等。求解驾驶员专注驾驶下的策略分布方法类似,但训练数据应采用驾驶员专注驾驶状态下的轨迹数据:控制器实时检查存储的驾驶员轨迹数据,当存储的轨迹总时长大于100min时,即开始训练:随机初始化θ,则fi(s)为状态s下的某个特征分量;利用R(s)根据动态规划求出当前驾驶员动作下的值函数V(s)。状态动作值函数Q(s,a)及策略π(a|s)(状态s下采取某个动作a的概率),迭代公式如下:
Qt(st,at)=R(st,at)+γE[Vt+1(st+1)]
其中,γ为折扣因子,st+1=T(st,at),T为状态转移矩阵,通过其可计算出驾驶员驾驶车辆在状态s下采取a动作会过渡到的下一个状态,T可通过汽车运动学方程给出。当值函数V(s)满足收敛条件后,可得出
根据当前行车策略π(a|s)通过动态规划求得状态访问概率Ds,具体迭代步骤如下:
其中,γ为折扣因子,s=T(s′,a)。通过上述公式迭代直至Ds收敛。
根据存储的驾驶员认知分心状态行车轨迹数据求得:
根据上述过程即可得到目标函数的梯度通过梯度下降对θ进行更新,即其中α为学习率。当θ满足收敛条件时,即可以得到θ的最终解,同时可得到驾驶员行车π*(a|s),即得到驾驶员在车辆状态为s时采取各个动作a的概率值。
最终,根据上述最大熵逆强化学习算法可根据驾驶员专注驾驶轨迹数据及认知分心状态下的轨迹数据分别求出驾驶员对应状态下的策略:π*(a|s,认知分心)和π*(a|s,专注驾驶),并将其存储在控制器中。
本发明实施例认为驾驶员在专注驾驶、认知分心状态下行车策略有所不同,因此,利用最大熵逆强化学习分别求解驾驶员在不同状态下的行车策略,能针对驾驶员的不同驾驶状态准确预测驾驶员对车辆的及时动作。
在本发明实施例提供的一种行车轨迹预测方法中,还包括:
所述通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息之前,包括:
根据所述行车策略和所述当前车辆行驶数据,预测在时间T内,车辆在当前行驶状态下,驾驶员采取所述当前状态行车策略对所述车辆进行控制时,车辆的行车轨迹。
在本发明实施例中,在时间间隔T内通过迭代的算法对车辆的行驶轨迹进行不断的迭代预测
作为本发明一种实施例,所述控制器中存储的驾驶员状态识别模型,可通过车载摄像头实时采集的驾驶员图片判别驾驶员当前状态,记t时刻由所述驾驶员状态识别模型根据所述摄像头采集的驾驶员图片检测出驾驶员状态为
记t时刻当前车辆状态为st,在车辆状态为st时驾驶员对车辆的操作为at,所述行车轨迹预测模型根据驾驶员当前的状态xt,调用控制器中存储的对应状态驾驶员行车策略π*(at|st,xt)。
设定行车轨迹预测时长为T,在时长T内迭代计算出驾驶员预测行车轨迹,可通过以下两个步骤实现:
(1)确定i时刻驾驶员的车辆控制动作
ai=random(p=π*(ai|si,xi))
其中,si为i时刻车辆的行驶状态,ai为驾驶员在i时刻采取的车辆控制动作,xi为i时刻驾驶员的驾车状态, 为车辆在si状态下,驾驶员在xi状态下采取驾车动作ai的概率,random函数根据车辆在状态si下的π*(ai|si,xi)的各分量,按其概率返回相应的动作。
(2)计算i+1时刻的车辆状态
si+1=T(si,ai)
如此在T时间内,反复迭代即可得到所述车辆的行驶轨迹。
本发明实施例通过根据驾驶员的即时状态即车辆的行驶状态得到的驾驶员行车策略与车辆当前驾驶状态进行迭代,预测车辆未来一段时间内的行驶轨迹,考虑到了驾驶员处于不同驾驶状态时,对车辆的操作不同,并结合车辆的当前行驶状态,能够更加准确的预测出车辆的行驶轨迹。
在本发明实施例提供的一种行车轨迹预测方法中,还包括:
在时间T内检测到驾驶员的驾车状态发生变化时,停止当前迭代过程,并根据所述驾驶员的驾车状态发生变化后的驾车状态重新预测车辆的行驶轨迹。
在本发明实施例中,驾驶员眼动数据采集装置一直在实时采集驾驶员的眼动数据,并将所述眼动数据传输至上所述控制器,控制器不断对所述眼动数据进行识别,当控制器识别出所述眼动数据对应的驾驶员驾驶状态发生改变时,即停止对车辆行驶轨迹的迭代,重新根据驾驶员的驾车状态对车辆行驶轨迹进行预测。
在本发明实施例提供的一种行车轨迹预测方法中,还包括:
结合车辆的当前行驶路况,根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估;
根据所述安全系数对驾驶员进行安全提醒。
在本发明实施例中,安全系数是指车辆按照预测的轨迹继续行驶是否会出现车祸或者其他对车辆及驾驶员有害的的情况,当出现不安全情况是,车辆会对驾驶员员进行报警。
作为本发明一种实施例,车辆上有行车记录性,并能够实时监测车辆的行驶路况及路上其他车辆或障碍物的位置情况,并将信息发送至控制器,控制器结合所述路况与预测出的车辆行驶轨迹进行结合。判断是否会出现危险情况,当出现危险情况时,可以对驾驶员进行提醒,具体提醒方式就可以是通过警报器对驾驶员发出警报声,或者通过语音播报器播报可能出现的危险情况,也可以通过灯光的效果对驾驶员进行提醒,对驾驶员进行提醒后,当驾驶员对车辆进行操作后,在重新预测测量的行车轨迹,并再次判断车辆行车是否存在危险。
作为本发明一种优选的实施例,结合车辆的当前行驶路况,根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估;
根据所述安全系数直接控制车辆的行车状态。
在本发明实施例中,车辆的行车状态至少应该包含所述车辆的行驶速度、加速度、以及行车方向。
结合上一个实施例,当控制器预测出车辆可能出现危险时,可以直接根据车辆的行驶路况对车辆的行驶状态进行控制,如采取减速、转弯等操作,防止车辆在行驶时出现危险。
本发明实施例通过结合车辆的行驶路况与预测的车辆行驶轨迹判断车辆的安全程度,并根据车辆未来的安全程度对驾驶员进行提醒或者直接控制车辆的行车状态,保证车辆不会出现危险,保障了驾驶员的人身财产安全。
图3示出了适于本发明实施例的一种行车轨迹预测系统的结构示意图,详述如下:
驾驶员眼动数据采集装置310,所述驾驶员眼动采集装置用于采集车辆行驶时的驾驶员眼动数据,并将所述驾驶员眼动数据发送至控制器。
在本发明实施例中,驾驶员眼动数据是指驾驶员在驾驶车辆时驾驶员的眼球转动数据,至少应该包含驾驶员眼球转动的角度、转动的速度或者驾驶员要求注视的时间和注视的方向等数据。
车辆行驶数据采集装置320,所述车辆行驶数据采集装置用于采集车辆的行驶数据,并将所述车辆的行驶数据发送至所述控制器。
在本发明实施例中,车辆行驶数据是指车辆在行驶过程中,涉及到车辆行驶及车辆状态的所有数据,而在本发明实施例中,至少应该包含车辆当前状态数据,其中,所述车辆当前状态数据是指在采集所述驾驶员的眼动数据时的车辆的行驶数据,包括但不限于车辆的车速、加速度、以及车辆的行驶方向。
所述控制器330,所述控制器330用于接收所述驾驶员眼动数据和所述车辆的行驶数据,并对所述驾驶员眼动数据和所述车辆行驶数据进行分析,预测车辆的行驶轨迹。具体包括:
获取驾驶员眼动数据及车辆行驶数据,所述车辆行驶数据至少包括车辆当前状态数据;
通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据;
通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据;
通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息。
在本发明实施例中,驾驶员眼动数据是指驾驶员在驾驶车辆时驾驶员的眼球转动数据,至少应该包含驾驶员眼球转动的角度、转动的速度或者驾驶员要求注视的时间和注视的方向等数据;车辆行驶数据是指车辆在行驶过程中,涉及到车辆行驶及车辆状态的所有数据,而在本发明实施例中,至少应该包含车辆当前状态数据,其中,所述车辆当前状态数据是指在采集所述驾驶员的眼动数据时的车辆的行驶数据,包括但不限于车辆的车速、加速度、以及车辆的行驶方向。
在本发明实施例中,用于识别驾驶员驾驶状态的模型是一种集成学习分类模型,采用数据集进行离线学习得到,其中,所述数据集为所述驾驶员的历史驾车时的眼动数据,所述随机森林模型通过对所述驾驶员的历史驾车时的眼动数据进行不断的学习,不断的识别所述驾驶员的历史眼动数据对应的历史驾车状态,最终可以根据所述驾驶员的当前驾车眼动数据识别出所述驾驶员的当前驾车状态。其中,所述驾驶员并不要求是同一个驾驶员,即随机森林模型具有根据不同驾驶员的驾驶眼动数据识别不同驾驶员的驾车状态的能力。所述驾驶员的当前驾车状态数据是指驾驶员的当前驾车状态,包括但不限于专注驾驶状态和认知分心驾驶状态。
作为本发明一种实施例,获取到所述驾驶员眼动数据后,将所述驾驶员眼动数据输入至所述驾驶员状态识别模型中,作为本发明一种优选的实施例,所述驾驶员状态识别模型存储在所述车辆的中央控制器中,所述驾驶员眼动数据获取装置为安装在所述车辆上的眼动仪,即眼动仪采集到驾驶员眼动数据后,将所述眼动数据输入至车辆的中央控制器中,车辆的中央控制器通过运行所述驾驶员状态识别模型对所述驾驶员的驾车状态进行识别,得到所述驾驶员的当前驾车数据。作为本发明一种优选实施例,当所述中央控制器识别出所述驾驶员的驾车状态后,可以根据需求选择输出或者不输出所述驾驶员的当前驾车状态,如出租车上,乘客乘坐后排时,就可以根据中央控制器的提示知道驾驶员的驾驶状态,确保自身安全。
在本发明实施例中,所述行车策略预测模型是指能够根据驾驶员的驾车状态和车辆的当前行驶状态预测出驾驶员未来对车辆的驾驶动作的模型,是通过对驾驶员的历史驾车轨迹进行学习得到的。
作为本发明一种实施例,控制器内存储有驾驶员专注驾驶及认知分心状态下行车轨迹数据离线训练驾驶员行车策略模型,所述驾驶员行车策略模型能够根据驾驶员的驾车状态对驾驶员的驾车策略进行预测。作为本发明一个优选的实施例,当控制器检测到驾驶员眼动数据中对应的驾驶员的驾车状态为专注驾驶状态时,调用驾驶员专注驾驶状态下的行车策略预测模型,对驾驶员的行车策略进行预测;当检测到驾驶员眼动数据中的驾驶员驾车状态为认知分心驾驶时,调用认知分心状态下的驾驶员行车策略预测模型对驾驶员的行车策略进行预测,得到驾驶员的行车策略。
在本发明实施例中,行车轨迹预测模型是指能够根据车辆的当前行驶状态以及驾驶员的行车策略模型预测出车辆未来行驶轨迹的模型,本发明采用的是迭代模型,即通过上车辆的上一状态与上一状态下驾驶员的行车策略预测车辆的下一状态。行车轨迹信息至少包含车辆的行驶轨迹、车速、行驶方向等数据。
作为本发明的一种实施例,控制器内部集成的驾驶员状态识别模型根据所述眼动仪实时采集的眼动数据判断驾驶员当前的状态,所述车载工控机内部集成的行车轨迹预测模型根据驾驶员当前状态调用所述控制器中存储的驾驶员行车策略模型,即当驾驶员状态识别模型识别出驾驶员当前处于认知分心状态,随即调用控制器中存储的驾驶员认知分心状态下的行车策略模型。所述驾驶数据采集系统实时采集当前车辆的状态,所述行车轨迹预测模型则根据当前车辆状态、当前行车策略模型,迭代计算出驾驶员当前状态下某个时间段的行车轨迹。
本发明实施例通过行车轨迹预测模型,结合根据驾驶员的驾车状态得到的驾驶员行车策略与车辆的当前行驶状态,与车辆的行驶轨迹,大大提高了车辆行车轨迹预测的准确性,通过眼动仪采集的驾驶员眼动数据训练随机森林模型识别驾驶员是否处于认知分心状态,所得驾驶员状态识别模型识别准确率高,鲁棒性强,外部光照变化、车辆振动对识别准确率影响小。
如图4所示,为本发明实施例提供的一种计算机设备的结构框图,本发明实施例提供的一种计算机设备,包括存储器401、处理器402、通信模块403和用户接口404。
存储器401中存储有操作系统405,用于处理各种基本系统服务和用于执行硬件相关任务的程序;还存储有应用软件406,用于实现本发明实施例中的形成轨迹预测方法的各个步骤。
在本发明实施例中,存储器401可以是高速随机存取存储器,诸如DRAM、SRAM、DDR、RAM、或者其他随机存取固态存储设备,或者非易失性存储器,诸如一个或多个硬盘存储设备、光盘存储设备、内存设备等。
在本发明实施例中,处理器402可通过通信模块403接收和发送数据以实现区块链网络通信或者本地通信。
用户接口404可以包括一个或多个输入设备407,比如键盘、鼠标、触屏显示器,用户接口404还可以包括一个或者多个输出设备408,比如显示器、扩音器等。
另外,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述行车轨迹预测方法的步骤。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种行车轨迹预测方法,其特征在于,所述方法包括:
获取驾驶员眼动数据及车辆行驶数据,所述车辆行驶数据至少包括车辆当前状态数据;
通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据;
通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据;
通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息。
2.根据权利要求1所述的方法,其特征在于,所述通过用于识别驾驶员驾驶状态的随机森林模型对所述驾驶员眼动数据进行识别,得到驾驶员的当前驾车状态数据之前,包括:
获取驾驶员处于专注驾驶状态和认知分心驾驶状态的历史眼动数据,构成第一数据集;
利用所述第一数据集对用于识别驾驶员驾驶状态的模型进行训练,得到所述随机森林模型。
3.根据权利要求1所述的方法,其特征在于,所述通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理,得到驾驶员当前状态行车策略数据之前,包括:
获取驾驶员驾驶车辆的历史行车数据;所述历史行车数据至少包含所述驾驶员的历史驾车状态数据以及与所述历史驾车状态相对应的车辆历史行车轨迹数据;
采用马尔可夫决策过程模拟驾驶员驾车过程;其中,马尔可夫决策过程中的五个元素分别为:车辆所处状态、驾驶员驾车动作、驾驶员驾车动作、车辆状态改变方程、以及折扣因子;其中,所述驾驶员驾车动作是指车辆在所述车辆所处状态时,所述车辆的状态转移到各种下一状态的概率值;
通过所述车辆历史行车轨迹数据确定所述马尔可夫决策过程的五个元素,并将所述车辆状态与所述驾驶员驾车动作一一对应,形成驾驶员的驾车策略分布模型;
利用最大熵逆强化学习算法将所述驾驶员的历史驾车状态与所述驾车策略分布模型中的车辆状态和驾驶员驾车动作一一对应,以形成所述行车策略预测模型。
4.根据权利要求1所述的方法,其特征在于,所述通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理,以得到与驾驶员当前状态相适应的未来行车轨迹信息之前,包括:
在时间T内,车辆在所述当前行驶状态下,驾驶员采取所述当前状态行车策略对所述车辆进行控制时,预测车辆的行车轨迹。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在时间T内检测到驾驶员的驾车状态发生变化时,停止当前迭代过程,并根据所述驾驶员的驾车状态发生变化后的驾车状态重新预测车辆的行驶轨迹。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
结合车辆的当前行驶路况,根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估;
根据所述安全系数对驾驶员进行安全提醒。
7.根据权利要求根据权利要求6所述的方法,其特征在于,所述方法还包括:
结合车辆的当前行驶路况,根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估;
根据所述安全系数直接控制车辆的行车状态。
8.一种行车轨迹预测系统,其特征在于,所述系统包括:
驾驶员眼动数据采集装置,所述驾驶员眼动数据采集装置用于采集车辆行驶时的驾驶员眼动数据,并将所述驾驶员眼动数据发送至控制器;
车辆行驶数据采集装置,所述车辆行驶数据采集装置用于采集车辆的行驶数据,并将所述车辆的行驶数据发送至所述控制器;
所述控制器,所述控制器用于接收所述驾驶员眼动数据和所述车辆的行驶数据,并对所述驾驶员眼动数据和所述车辆行驶数据进行分析,预测车辆的行驶轨迹。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述一种行车轨迹预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述一种行车轨迹预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624930.9A CN109572550B (zh) | 2018-12-28 | 2018-12-28 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624930.9A CN109572550B (zh) | 2018-12-28 | 2018-12-28 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109572550A true CN109572550A (zh) | 2019-04-05 |
CN109572550B CN109572550B (zh) | 2020-08-14 |
Family
ID=65933356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811624930.9A Expired - Fee Related CN109572550B (zh) | 2018-12-28 | 2018-12-28 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109572550B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503743A (zh) * | 2019-08-12 | 2019-11-26 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN110936954A (zh) * | 2020-01-02 | 2020-03-31 | 南京航空航天大学 | 一种考虑车辆双向交互的智能车预测决策融合方法 |
CN111026127A (zh) * | 2019-12-27 | 2020-04-17 | 南京大学 | 基于部分可观测迁移强化学习的自动驾驶决策方法及系统 |
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN111806459A (zh) * | 2020-06-30 | 2020-10-23 | 三一专用汽车有限责任公司 | 车辆轨迹预测方法、装置和车辆 |
CN112426124A (zh) * | 2020-11-23 | 2021-03-02 | 天津大学 | 一种基于眼动数据的车辆驾驶效率监测方法 |
CN112440969A (zh) * | 2019-08-27 | 2021-03-05 | 通用汽车环球科技运作有限责任公司 | 使用眼动数据来预测车辆操作员意图的系统和方法 |
CN112489425A (zh) * | 2020-11-25 | 2021-03-12 | 平安科技(深圳)有限公司 | 车辆防撞预警方法、装置、车载终端设备和存储介质 |
WO2021103841A1 (zh) * | 2019-11-27 | 2021-06-03 | 北京三快在线科技有限公司 | 控制车辆 |
CN113043945A (zh) * | 2021-04-21 | 2021-06-29 | 前海七剑科技(深圳)有限公司 | 转向灯控制方法、系统、电子设备及计算机可读存储介质 |
CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113633296A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 反应时间预测模型构建方法、装置、设备及可读存储介质 |
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、系统、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH097100A (ja) * | 1995-06-19 | 1997-01-10 | Honda Motor Co Ltd | 運転者注視点予測装置及びこれを用いた車両用運転支援システム |
CN103661375A (zh) * | 2013-11-25 | 2014-03-26 | 同济大学 | 一种考虑驾驶分心状态的车道偏离报警方法及系统 |
CN105809152A (zh) * | 2016-04-06 | 2016-07-27 | 清华大学 | 一种基于多源信息融合的驾驶员认知分心监测方法 |
CN106950956A (zh) * | 2017-03-22 | 2017-07-14 | 合肥工业大学 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及系统 |
-
2018
- 2018-12-28 CN CN201811624930.9A patent/CN109572550B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH097100A (ja) * | 1995-06-19 | 1997-01-10 | Honda Motor Co Ltd | 運転者注視点予測装置及びこれを用いた車両用運転支援システム |
CN103661375A (zh) * | 2013-11-25 | 2014-03-26 | 同济大学 | 一种考虑驾驶分心状态的车道偏离报警方法及系统 |
CN105809152A (zh) * | 2016-04-06 | 2016-07-27 | 清华大学 | 一种基于多源信息融合的驾驶员认知分心监测方法 |
CN106950956A (zh) * | 2017-03-22 | 2017-07-14 | 合肥工业大学 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
YULAN LIANG, MICHELLE L. REYES, AND JOHN D. LEE: "Real-Time Detection of Driver Cognitive Distraction Using Support Vector Machines", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
周扬、付锐、袁伟、王栋、张瑞宾: "驾驶人认知分心识别随机森林模型研究", 《中国安全科学学报》 * |
肖献强、任春燕、王其东: "基于隐马尔可夫模型的驾驶行为预测方法研究", 《中国机械工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503743A (zh) * | 2019-08-12 | 2019-11-26 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN112440969A (zh) * | 2019-08-27 | 2021-03-05 | 通用汽车环球科技运作有限责任公司 | 使用眼动数据来预测车辆操作员意图的系统和方法 |
WO2021103841A1 (zh) * | 2019-11-27 | 2021-06-03 | 北京三快在线科技有限公司 | 控制车辆 |
CN111026127A (zh) * | 2019-12-27 | 2020-04-17 | 南京大学 | 基于部分可观测迁移强化学习的自动驾驶决策方法及系统 |
CN111026127B (zh) * | 2019-12-27 | 2021-09-28 | 南京大学 | 基于部分可观测迁移强化学习的自动驾驶决策方法及系统 |
CN110936954A (zh) * | 2020-01-02 | 2020-03-31 | 南京航空航天大学 | 一种考虑车辆双向交互的智能车预测决策融合方法 |
CN110936954B (zh) * | 2020-01-02 | 2020-12-01 | 南京航空航天大学 | 一种考虑车辆双向交互的智能车预测决策融合方法 |
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN111806459B (zh) * | 2020-06-30 | 2021-07-30 | 三一专用汽车有限责任公司 | 车辆轨迹预测方法、装置和车辆 |
CN111806459A (zh) * | 2020-06-30 | 2020-10-23 | 三一专用汽车有限责任公司 | 车辆轨迹预测方法、装置和车辆 |
CN112426124A (zh) * | 2020-11-23 | 2021-03-02 | 天津大学 | 一种基于眼动数据的车辆驾驶效率监测方法 |
CN112489425A (zh) * | 2020-11-25 | 2021-03-12 | 平安科技(深圳)有限公司 | 车辆防撞预警方法、装置、车载终端设备和存储介质 |
CN113043945A (zh) * | 2021-04-21 | 2021-06-29 | 前海七剑科技(深圳)有限公司 | 转向灯控制方法、系统、电子设备及计算机可读存储介质 |
CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113095713B (zh) * | 2021-04-28 | 2023-10-20 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113633296A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 反应时间预测模型构建方法、装置、设备及可读存储介质 |
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109572550B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109572550A (zh) | 一种行车轨迹预测方法、系统、计算机设备及存储介质 | |
CN109711557A (zh) | 一种行车轨迹预测方法、系统、计算机设备及存储介质 | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
US10902336B2 (en) | Monitoring vehicular operation risk using sensing devices | |
CN106740864B (zh) | 一种驾驶行为意图判断与预测方法 | |
Koesdwiady et al. | Recent trends in driver safety monitoring systems: State of the art and challenges | |
Yin et al. | Automatic dangerous driving intensity analysis for advanced driver assistance systems from multimodal driving signals | |
Doshi et al. | Tactical driver behavior prediction and intent inference: A review | |
Wang et al. | Driver distraction detection based on vehicle dynamics using naturalistic driving data | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
Mozaffari et al. | Early lane change prediction for automated driving systems using multi-task attention-based convolutional neural networks | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
US20220204020A1 (en) | Toward simulation of driver behavior in driving automation | |
Xu et al. | Aggressive driving behavior prediction considering driver’s intention based on multivariate-temporal feature data | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
Guo et al. | Lane change detection and prediction using real-world connected vehicle data | |
Jiao et al. | End-to-end uncertainty-based mitigation of adversarial attacks to automated lane centering | |
Harkous et al. | A two-stage machine learning method for highly-accurate drunk driving detection | |
Klingelschmitt et al. | Using context information and probabilistic classification for making extended long-term trajectory predictions | |
Wu et al. | Driver lane change intention recognition based on Attention Enhanced Residual-MBi-LSTM network | |
Liu et al. | Estimation of driver lane change intention based on the LSTM and Dempster–Shafer evidence theory | |
Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
Lima et al. | Driver behavior analysis based on numerical data using deep neural networks | |
Ammal et al. | Artificial intelligence and sensor technology in the automotive industry: An overview | |
Ortiz et al. | Situation-specific learning for ego-vehicle behavior prediction systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200814 Termination date: 20201228 |
|
CF01 | Termination of patent right due to non-payment of annual fee |